La primera vez que un bebé dice “mamá” o “papá” suele convertirse en un recuerdo para toda la vida. Pero antes de hablar, las infancias aprenden a escuchar. Como cuidadores, damos por sentado que nos oyen cuando les hablamos, cuando les enseñamos palabras y sonidos. ¿Qué ocurre cuando ese proceso no sucede como debería?
De acuerdo con investigaciones de la Organización Mundial de la Salud (OMS), las infancias con algún grado de pérdida auditiva pueden enfrentar dificultades en el desarrollo del lenguaje, lo que impacta su educación y sus habilidades sociales. Aun así, se estima que el 60% de las causas de este padecimiento son prevenibles, siempre que se detecten y traten a tiempo.
El reto está en que muchos países de ingresos bajos y medios no cuentan con los recursos suficientes para identificar la pérdida auditiva de manera oportuna. Para atender este problema, un equipo de investigadores del Hospital Zambrano Hellion del Tec de Monterrey trabaja en la implementación de tecnologías de inteligencia artificial (IA) que apoyen a los otorrinolaringólogos en el diagnóstico de pérdida auditiva en infantes.
IA médica para apoyar el diagnóstico auditivo
El objetivo del equipo es desarrollar una plataforma que permita a los médicos ingresar los datos del paciente y recibir, a partir de modelos de IA, predicciones sobre posibles diagnósticos y complicaciones futuras, basadas en el conocimiento previamente generado por especialistas.
Sergio Mora, ingeniero auditivo y estudiante de doctorado en Neurociencias Auditivas en el Tec de Monterrey, subraya que esta tecnología no busca reemplazar a los médicos, sino fortalecer su trabajo y apoyar la toma de decisiones clínicas.
También aclara que el tipo de IA que utilizan no es el mismo que el de herramientas de uso general como ChatGPT. En este caso, la tecnología se conoce como Medical Informed Machine Learning, un enfoque diseñado específicamente para aplicaciones médicas.
A diferencia de otros modelos de machine learning, capaces de analizar grandes volúmenes de información para identificar patrones, esta IA se alimenta de datos y conocimiento propios del campo de la audiología. Así, la experiencia acumulada por médicos e investigadores en otorrinolaringología funciona como una guía que le permite generar predicciones más precisas.
El desafío de los datos en audiología
La efectividad de estos modelos depende en gran medida de la calidad y cantidad de los datos con los que se entrenan. Para Mora y su equipo, uno de los principales retos es que muchas bases de datos especializadas en audiología no son de acceso abierto.
Además, en algunos casos no es claro cómo se construyeron esas bases de datos o existen incompatibilidades entre repositorios, lo que dificulta su uso conjunto para entrenar un mismo modelo. A este problema se le conoce como falta de interoperabilidad.
Ante este panorama, durante una ponencia en la V Jornada Internacional sobre Patología Auditiva, los investigadores hicieron un llamado a estandarizar la generación de bases de datos en audiología en México.
Mora explica que contar con datos nacionales de buena calidad es fundamental, ya que las desigualdades económicas entre países hacen que las naciones de ingresos medios o bajos tengan menos información médica sobre sus poblaciones.
“Eso limita los avances que se han tenido a nivel nacional para poder implementar ese tipo de herramientas y de tecnologías. Terminamos adoptando las [bases de datos] que llegan de países cuyas oportunidades de desarrollo dan para tener una investigación mucho más avanzada en estos temas”, señala.
Este punto es clave porque la realidad de vida en México difiere de la de los países con ingresos altos. “Si adoptamos esas tecnologías, realmente es poco representativa de nuestras condiciones, de nuestra historia, de nuestra cultura”, concluye el ingeniero.
Datos locales para una IA más representativa
Por esta razón, en el Hospital Zambrano Hellion trabajan con una base de datos local, construida a partir de la información de más de 6,000 pacientes atendidos en sus consultorios. Estos datos han servido para entrenar los modelos de IA.
No obstante, el equipo no utiliza la totalidad de la información disponible. Una parte de los datos —que incluye diagnósticos realizados previamente por médicos sin apoyo de IA— se reserva para evaluar la precisión del modelo.
Mientras una fracción de la base de datos se emplea para refinar las capacidades de predicción, la otra se utiliza para comprobar si la IA puede anticipar correctamente los diagnósticos ya establecidos por los especialistas del hospital.
Aunque todavía no se encuentran en una etapa en la que puedan reportar cifras concretas sobre la precisión del modelo, Mora estima que en un par de años podrían estar más cerca de desarrollar una herramienta lista para su uso en consultorios. Antes de ello, deberán ajustarse a las normativas mexicanas sobre el uso de IA en medicina que puedan surgir en los próximos años.
¿Te interesó esta historia? ¿Quieres publicarla? Contacta a nuestra editora de contenidos para conocer más: marianaleonm@tec.mx.
